Hinh 4.2: Hinh 4.2: Biéu diễn một đoạn dữ liệu EEG gồm 256 mẫu
4.2.1.2. Tính toán các tham số đặc trưng
Các đỉnh phát hiện được trong bước trước được chia thành các cạnh (halfwave) để tính toán các tham số như biên độ, độ dốc, thời gian tồn tại. Một đỉnh được mô hình hóa như một tam giác gồm đường nằm ngang được coi là cạnh đáy, hai cạnh còn lại là cạnh trước và cạnh sau. Các tham số về hình thái được tính toán trên mô hình này. Các đỉnh có các tham số không phù hợp được loại bỏ bớt. Mô hình gai này chỉ được sử dụng trong giai đoạn tiền phân loại, ở các giai đoạn sau dữ liệu EEG ốc được sử dụng.
FHWA| | SHWA
Vg
“+ Bt
FHWD SHWD
Hinh 4.5: Cac dac trung hinh thai cua dinh [5]
Trong nghiên cứu của mình Nurettin Acir và cộng sự [5] đã đưa ra các tham số đặc trưng về hình thái của một đỉnh như sau:
1. Biên độ cạnh trước (FHWA): được đo bằng hiệu độ lớn đỉnh - đáy của cạnh
trước (ba đỉnh liền kề nhau tạo thành một tam giác).
2. Biên độ cạnh sau (SHW4): được đo băng hiệu độ lớn đỉnh- đáy của cạnh sau.
3.. Thời gian tôn tại cạnh trước (FHWD): được tính bằng khoảng thời gian từ đáy
cạnh trước đến đỉnh cạnh trước.
4.. Thời gian tôn tại cạnh sau (SHWD): được tính bằng khoảng thời gian từ đỉnh đên đáy cạnh sau.
71
5. Độ dốc cạnh trước (FHWS): duge tinh bang thuong số của biên độ cạnh trước FHWA cho thời gian tồn tại cạnh trước FHWD.
6. Độ dốc cạnh sau (SHWS): được tính bằng thương số của biên độ cạnh sau SHWA cho thời gian tồn tại cạnh sau SHWD.
Trước tiên, các đỉnh âm và dương được đánh dấu. FHWA được tính băng biên độ đỉnh đương trừ biên độ đỉnh âm phía trước. SHWA được tính bằng biên độ đỉnh dương trừ biên độ đỉnh âm phía sau. Kết quả của giai đoạn tìm đỉnh và các đặc trưng là một ma trận gồm các cột về vị trí của đỉnh, tham số của đỉnh và đánh dấu đỉnh tương ứng là ga1 hay không theo đánh giá của chuyên gia.
Bảng các thông số được tính toán cho các đỉnh tìm được trong 256 mẫu của Hình 4.4
Dinh |FHWA |SHWA |FHWD |SHWD |FHWS |SHWS mm. II 140 +4224,...Ể|...Í...L/61ãi 1.47 766 7 --... ... >| 1.477867) 1.6084) jee SL 8042] 14.2823) Se: LO} 1.6084) 1.42825) _ AL 1428234 33.2235) 10) 9) 1.42823) 3.6215 po SL 33.2235) 60.5949] Fo 7)___3.6915| 8.656414 _...6L 60.5242. 56.5609} _ A 8] 8.656414) 7.070113
—... 8) 20) 7.070113) 2.93047) ...L...L... 3}__2.93047| 0.777433 PY 2.3323, 2271 —- 3 5} 0.777433) 0.45422 _... LO} 2:270N) 27.3251 OL 20} 0.49422) 1.366255) pe II 27,3251) 21.7988) Z0 18} 1.366255) 1.211044
... 12) 21.7988) 10.8087) lỗ 8 1.211044) 1.351088 pe 13) 10.8087) 14401 ð_ 1.351088) 2.057586 pe 14) 14.4031) 3.7702) 0 7 AY 2.057586) 0.94255 pe lJ 3.7702) 4.6677) A A 0.94255) 1.166925 pe ló 4.6677), 6521 A 3] 1166925) 2.173067 pe 176.521) 6.2656 35] 2.173667) 1.25312 pe 18} 6.2656 14.5704) LAN 1.25312) 1.324582 pe 19} 143/04 3.5206, 0 AN 3} 1.324582) 1.173533 _... 0=... ...L....L...
pe 21) 2420, l5 6 6 S718) 0.22225 mm 22. 1/757 21253 6... lI 0.22223 0.836318 pe 23) 9.1995, 9.7763) AL 6} 0.836318) 0.96275 mm Z4 5.7765, 18826 6L l2] 0.262/3 0.220882 mm. 25| 18.8269, 31.4281) 19 24) 0.990889) 1.309504 po 26| 31.4281) 13.6176) 24) 5} 1.309504) 2.72352
je 28, 36.0189) 225681 7ù 8] 5.145557] 3.696088 29| 29.5687| 1.3514 8 1| 3.696088] 1.3514
Bảng 1: Bảng các tham sô của đỉnh
4.2.2. Ứng dụng mạng Perceptron trong giai đoạn tiền phân loại
Các tham số đặc trưng của đỉnh được tính toán trong bước trước được đưa tới đầu vào một mạng perceptron. Mục đích của bước này là loại bỏ bớt các đỉnh không phải gai và giữ lại các đỉnh có khả năng là gai cho các bước xử lý tiếp theo. Trong bước này mạng perceptron được sử dụng. Mạng perceptron một lớp chỉ giải quyết được các bài toán mà các mẫu có thể phân chia thành hai vùng tuyến tính. Tuy nhiên, mang perceptron van la một lớp hàm được sử dụng rộng rãi do tốc độ nhanh và tin cậy khi được áp dụng trong một số bài toán phân loại mà mạng này có thể giải quyết [22].
Đề quá trình huấn luyện hội tụ, các tham số của đỉnh phải đảm bảo phân chia đỉnh thành hai vùng tuyến tính. Mạng này được huấn luyện bằng tập hợp dữ liệu cho trước
bao gồm các đỉnh là gai và không phải gai đã được chuẩn bị để phân loại các đỉnh
thành hai loại [5].
4.2.2.1. Cầu trúc mạng perceptron một lớp
Mạng perceptron một lớp được sử dụng trong hệ thống này gồm 6 đầu vào, l nơ-ron, 1 đầu ra. Hàm truyền hardlim quy định đầu ra là 0 tương ứng với đỉnh không phải gai và 1 tương ứng với đỉnh có khả nắng là gai.
Mạng sử dụng thuật toán huấn luyện có giám sát để điều chỉnh các trọng số liên kết.
Dữ liệu huấn luyện là tập hợp {ứ,ớ,} trong đú ứ; là vector đữ liệu đầu vào và ớ;
là đầu ra mong muốn. Trong trường hợp cụ thể này, ứ, là vector gồm 6 đặc trưng của đỉnh đã được phân tích trong bước trước (thời gian tồn tại, biên độ, độ dốc của cạnh trước, cạnh sau) và í, có một trong hai giá trị l1 hoặc 0 tương ứng với đỉnh là gai hoặc đỉnh không phải gai đã được chuyên gia đánh giá.
73
Input Hard Limit Layer
r UF `
p
a
W >ằ -—> Sx 1
SXR _ [
Sx 1 =
b Pad
R Sx1 5
Mek „
a = hardlim(WWp + b)
Hình 4.6: Mạng Perceptron [22]
Vector trọng số liên kết được cập nhật theo công thức [22]:
wlk+1])=wk]+7(d* — y*)x* (4.1)
Trong đó W là vector trọng số liên kết của mạng, đ” là dữ liệu ra mong muốn, ?Ÿ là dữ liệu ra thực tê, 77 là tôc độ học của mạng, X” là vector đữ liệu đâu vào, & là sô thứ tự của mẫu. Hàm lôi ra của perceptron được xác định theo công thức:
y` =hardlim(WTx` +b) (4.2)
Trong đó:
hardlim(n) = Ji aad (4.3)
|0 n<0 Vector bias được cập nhật theo công thức:
b[k+l]= B[&|+(đ"- y`) (4.4)
Mạng perceptron được huấn luyện để phân chia các đỉnh thành loại có khả năng là gai và loại không phải gai dựa trên tập dữ liệu do chuyên gia đánh đấu. Trong giai đoạn này, tham số độ nhạy được ưu tiên cao, phải đảm bảo tất cả số gai đã được chuyên gia đánh dấu được hệ thống chi nhận. Tham số về độ chọn lọc sẽ cho biết tỉ lệ
phân loại của hệ thống. Tham số này càng lớn, cho phép giảm khối lượng tính toán trong các giai đoạn sau. Tỉ sô lỗi trên giờ lớn là châp nhận được ở giai đoạn này.
Dữ liệu dùng để huẫn luyện mạng perceptron là ma trận các tham số phân tích trên tập hợp các bản ghi gồm 5888 mẫu với các đỉnh và các tham số của đỉnh được tính toán trong bước trước. Trong đó có 10 gai đã được đánh dấu bởi chuyên gia. Tốc độ học của mạng được gán bằng 1. Mạng perceptron được khởi tạo bằng hàm newp(p,t). Hàm huấn luyện sử dụng là hàm train() của Matlab.
Dữ liệu kiểm tra hoạt động của mạng là ma trận các tham số được phân tích từ bản ghi có độ dài 2123 mẫu, trong đó có 4 gai.
Khả năng phân loại của hệ thống được đánh giá dựa trên độ nhạy, độ chọn lọc và tốc độ sai trên giờ. Độ nhạy là tỉ số giữa số gai hệ thống phát hiện đúng trên số gai được đánh dấu bởi chuyên gia. Độ chọn lọc được định nghĩa là tỉ sỐ giữa sỐ gai hệ thống phát hiện đúng trên tông số gai mà hệ thống ghi nhận. Các gai phát hiện được gọi là đúng nếu cả chuyên gia và hệ thống đều ghi nhận là gai. Tỉ số lỗi được đo bằng
số lỗi mà hệ thống phát hiện sai trên một giờ.
Neural Network Training (nntraintool) Neural Network
Layer
Input a : +| ) Output
\ ,
Algorithms
Training: Cyclical Order Weight/Bias Learning Rules (tyainc Performance: Maan Absolute Error (rae)
Progress
Epoch: ũ [ 1ũitzratiars 1000
Tine: O:00:02
Performance: 0,987 0.0127 0.00 Plots
Training State (plottrainstate)
Plot Interval: ~„ 1 epochs
@ Traning neural network...
@ Stop Training |
Hình 4.7: Huan luyện mạng perceptron sử dụng công cụ nntraintool của Matlab Kết quả mô phỏng:
75
D6 nhay (%) D6 chon loc
100% 9 5%
Các đỉnh có khả năng là gai được phát hiện ở bước này được đánh đấu tạo thành một vector gồm chứa thông tin về vị trí của đỉnh trong dữ liệu thô. Vector này dùng cho bước xử lý tiếp theo để phân tích các đặc trưng trong miễn thời gian tần số và mạng ANN. Sử dụng mạng perceptron trong giai đoạn tiền phân loại đã làm giảm khối lượng các đỉnh cân được phân tích trong các bước sau với một tỉ lệ lớn.
Sau giai đoạn tiền phân loại, các đỉnh có khả năng là gai được phát hiện bởi mang perceptron dugc trich xuất để tạo một tập dữ liệu mới trong đó dữ liệu gốc vẫn được dữ nguyên. Dữ liệu trích xuất là một cửa số chứa đỉnh nằm ở vị trí trung tâm.
Chúng tôi sử dụng một cửa số gồm 128 điểm dữ liệu thô chứa đỉnh để phân tích
wavelet. Việc sử đụng cửa số đủ lớn giúp mang các thông tin về bối cảnh tại đó gai
xuất hiện. Cửa số được xác định như sau: từ điểm đỉnh, chúng tôi lẫy 10 điểm về phía trước và 117 điểm về phía sau [5].
4.3. Biến đổi wavelet
Phân tích tín hiệu trong miễn tần số sử dụng biến đổi Fourier chỉ cho biết thông tin về các thành phần tần số xuất hiện trong tín hiệu mà không cho biết thông tin về thời gian tại đó thành phân tần số xuất hiện. Các biến đổi đột ngột (transient) chỉ khác không trong một khoảng thời gian ngắn, chúng có tính cục bộ cao, chỉ xuất hiện tại
những thời điểm nhất định. EEG là tín hiệu không dừng, do đó biến đổi Fourier không
thích hợp trong việc phân tích các đặc trưng tần số của EEG. Các phép biến đổi thời gian- tần số cung cấp thêm thông tin về thời gian tại đó thành phần tần số xuất hiện.
Gai động kinh là một biến đổi có tần số cao so với các hoạt động nên, đó là lý do tại sao ta chỉ cần quan tâm đến một số dải tần số nhất định của gai mà không phải tất cả các dải tần số. Việc lựa chọn các scales thích hợp để huấn luyện mạng ANN làm giảm đáng kê số lượng đầu vào mạng ANN, đồng thời không làm giảm nhiều lượng thông tin chứa trong đữ liệu. Điều này đặc biệt có ý nghĩa khi phải xử lý trên lượng đữ liệu lớn gồm nhiều kênh như EEG. Việc ứng dụng wavelet cho phép mở rộng cửa số quan sát đỉnh để chứa đựng thêm các thông tin về hoạt động nền. Điều này sẽ khó thực
hiện nếu dữ liệu thô này được đưa trực tiếp tới đầu vào mạng ANN do làm tăng s6 đầu vào và khối lượng tính toán của ANN.
Biến đổi CWT của hàm theo thời gian x(‡) được định nghĩa như sau:
CHT 34,0} = = fo" a
+ (4.5)
663299
Trong đó ⁄() ký hiệu hàm sóng mẹ, chỉ ra liên hợp phức, z biểu diễn scale được lựa chọn, ứ là tham số dịch thời gian.
Bang cach bién thién scale a, bién d6i wavelet tách tín hiệu x(t) thanh cdc dai
tần số khác nhau theo giá trị của a; z lớn tương ứng với tần số thấp với trường nhìn rộng, trong khi đó z nhỏ tương ứng với tần số cao nhưng có trường nhìn hẹp hơn.
4.3.1. Hàm wavelet
Một tín hiệu được phân tích thành các hàm wavelet dựa trên việc trượt hàm wavelet mẹ theo chiều thời gian và mở rộng theo các scale khác nhau. Việc lựa chọn hàm wavelet mẹ phụ thuộc vào từng ứng dụng. Lựa chọn các hàm wavelet khác nhau ảnh hưởng đến hệ số của các scale và do đó ảnh hưởng đến việc phát hiện gai của hệ thống. Trong đề tài này, chúng tôi thử nghiệm với hàm wavelet bior1.5. Hàm bior1.5 thuộc họ hàm bior là hàm đối xứng, không trực giao.
32 scales được sử dụng để phân rã các đoạn EEG được lựa chọn bởi giai đoạn tiền phân loại. Tham số z được lẫy mẫu đối xứng:
a=q',n=1~31 (4.6)
Trong đó q 1a ti sé giữa các mức liên tiếp, được đặt bằng 1.06 trong hệ thống, do đó các scales biến thiên trong khoảng z=1 đến a= 6.09, độ rộng này là đủ để bao phủ tất cả các thành phần tần số của EEG.
4.3.2. Lựa chọn scales
Các đoạn dữ liệu thô đã được lựa chọn từ bước trước được đưa vào phân tích thành các scales.
Bien do tin hieu EEG (uV) scales a 50 5 40 30 20 10
T7
Hình 4.8: Tín hiệu gốc
Absolute Values of Ca,b Coefficients fora= 12345...
50 100 150
time (or space) b
200
II La | |
IimMwWaAwv rh
—ạ AA f
ag :
LÍ lí
\
250
Hình 4.9: Biểu diễn WT của tín gốc trên 32 scales
Hình 4.10 chỉ ra kết quả của biến đổi wavelet. Đường trên cùng biểu điễn một đoạn tín hiệu gốc trong đó có chứa các gai. Các đường bên dưới là các scale 1, 2, 4, 6 và 8 của phép biến đôi wavelet. Ta thấy rằng, ở các scale này các thành phân tần số thấp bị loại bỏ, chỉ còn xuất hiện các thành phần tần số cao. Các thành phân tần số được phân tách một cách trật tự, từ thành phân tần số cao tới thành phần có tân số thấp. Như vậy, sau quá trình biên đôi wavelet, cac gai ndi trdi trong 8 scale dau tiên.
4.3.2.1. Lựa chọn đỉnh trên các scales [6]
Các scale được phân tích WT không được đưa trực tiếp đến đầu vào mạng ANN, sau khi phân tích và lựa chọn, các đỉnh vượt một ngưỡng nhất định trên các scales nay duoc sử dụng để tính toán các đặc trưng làm đầu vào mạng ANN.
Các ngưỡng khác nhau được đặt cho mỗi scale, sóng nào vượt quá ngưỡng đã đặt được ghi nhận cho các bước xử lý tiếp theo. Biên độ hoạt động nền của các hệ số wavelet tại các scales được sử dụng làm ngưỡng.
Trung bỡnh động của hệ số trờn scale thứ ứ là 4ver”() được tớnh theo cụng thức [6]:
Aver"(£)= Aver" (t-l).é +0" (t).1-2) (4.7) Ngưỡng tại điểm ¿ là ứ”(¿) được tớnh theo cụng thức:
on (t) = on (t—1).é+| @" (1) — Aver"()|.(1— £) (4.8)
Trong đú ứ”(/) là hệ số wavelet, 4ver"() là giỏ trị trung bỡnh động của cỏc hệ số wavelet tại scale n. Hệ số ễ được đặt băng 0.9933. Giá trị ban đầu của (0 va Aver”
duoc tinh bang gia trị trung bỡnh của đoạn cú ứ”(/)tương đối trơn. Giỏ trị của œ; (0) và 4ver" chỉ được cập nhật khi biờn độ 4ứ” (¿) nhỏ hơn biờn độ hoạt động nờn.
79
Néu gia tri nao cua hé số vượt quá ngưỡng, đoạn tương ứng sẽ được ghi lại dé phuc vu ti
scale 1 scale 4 scale 6 ©
scale 8 scale 2
-100
200 [ [ [ [
tin hieu goc
100 [ [ [ [
100 [ [ [ [
2500
0.2 [ [ [ [
02 [ I [ [
0
50 [ [ [ [
2500
50 [ I [ [
0
100 [ [ [ [
2500
" [ I [ [
0
100 [ [ [ [
2500
2500
200 ù
0
Hình 4.10: Phân tích tín hiệu dùng wavelet với hàm sóng con bIor 1.5